流编程模型

流编程模型（Stream Programming Model）是一种将数据视为连续流动的"流"、计算视为并行执行的"内核"的编程范式。它是[[Brook]]和[[CUDA]]的核心思想，使得GPU能够高效处理大规模并行任务。

核心概念

• streams（数据流）：一组需要相同计算的数据记录，如粒子位置、像素值、矩阵元素。
• kernels（内核函数）：对数据流中每个元素执行的并行计算函数。
• reductions（归约操作）：将数据流聚合为单一结果的操作。

历史渊源

流编程模型的思想源于[[Ian Buck]]在[[WireGL]]项目中的集群经验——数据像河流般流动，计算并行爆发。同时，[[Merrimac超级计算机项目]]的纯流架构研究也深刻影响了这一模型的设计。

技术意义

• 抽象硬件复杂性：将GPU的复杂硬件细节（纹理大小、输出通道、内存布局）抽象化，由编译器和运行时自动处理。
• 降低编程门槛：普通程序员无需掌握图形学知识即可利用GPU进行并行计算。
• 可扩展性：流模型天然适合大规模并行处理，能够充分利用GPU的数千个核心。

对CUDA的影响

[[CUDA]]完整继承了Brook的流编程模型，并做了革命性升级：统一内存架构、线程块、共享内存、原子操作等。流编程模型因此从学术原型演变为工业标准，成为AI时代最重要的编程范式之一。